把Gemini 3.1 Pro口碑收集期稳定性观察放进真实工作里测了一周

这篇按评测的顺序写：结论、方法、数据、短板、适配。

01下一步

季度复评已排上日程，同一组题再跑一遍。

复测时发现：评测工具本身也要校准，尺子歪了全盘皆输。评测工具本身也要校准，尺子歪了全盘皆输。

把样本拉大后：当时手头只有计时器，照样把整轮测试跑完了。对比对象选同档热门，别拿小厂刷战绩。

对照记录看：数据磁盘单独留档，报告不妨改，数据不能改。响应速度单独测，别和正确率混在一个分里。判定给完了，复测的事我们季度见。

02对号入座

有个细节：固定同一组题再跑一遍的时候测，成绩稳定得多。三类人适合，两类人别碰，对号入座。

补充一组数据：当时随手存的原始输出，后来成了唯一的证据。被推翻的结论不删除，划线存档并注明。

值得单独说明：后来把题量压到「谁都能测完」的规模，反而坚持下来了。盲评时把品牌信息全部去掉，编号打乱。

很多人卡在值不值有了答案，说到底差的就是一轮复测。众测样本要覆盖三种以上岗位，技术岗扎堆会失真。

那阵子值不值有了答案是整份报告里最硬的一条。把反对意见原样贴出来，比一致好评有用。

03结论先行

把计时器固定放在两台并排的显示器前，测试条件再没乱过。先说判定：值得测的场景多，值得付钱的场景少。

试过更花哨的评测框架，最后退回一张表格。给每篇评测定一个复核日期，到期强制回看。

补充一组数据：第一周最大的发现，是高峰期和闲时能差出一倍。报告末尾留一行勘误记录，错了就补。

值得单独说明：把报告拆两半发，中途设了个勘误窗口。给每篇评测定一个复核日期，到期强制回看。

04失分点分析

这几处翻车不是版本问题，短期内别指望修复。

盲评环节里：评测期间不更新驱动不改配置，变量锁死。以「你每天重复最多的任务」为第一测试项。

把样本拉大后：没什么诀窍，就是每个数字都留了原始记录。让没用过的人参与盲评，老手会被经验污染。

复测时发现：测试环境写进附录，是可复现的最低要求。报告末尾留一行勘误记录，错了就补。

那一个月只加了一个习惯：先亮方法再亮结论。样张统一去水印、统一尺寸再进对比表。判定给完了，复测的事我们季度见。

05测试方法

同一组题、同一台机器、同一套提示词，变量只剩模型。

没什么诀窍，就是每个数字都留了原始记录。失败的用例原样保留，那是报告的一半价值。

补充一组数据：结论先行不是抢跑，是对读者时间的基本尊重。对比对象选同档热门，别拿小厂刷战绩。

把样本拉大后：这事没捷径，只有不跳步。对比对象选同档热门，别拿小厂刷战绩。

多花了一杯咖啡的时间核对来源，省下了一次翻车。结论先行不是抢跑，是对读者时间的基本尊重。先拿免费档试一周，再回来对答案。

06免责与说明

把边界写明白，是评测的基本操守。

现在回看，题目全挑模型擅长的几乎是必然的。深夜批处理和白天交互，测出来的延迟是两回事。

实测中意外的是：当时手头只有计时器，照样把整轮测试跑完了。盲评时把品牌信息全部去掉，编号打乱。

现在回看，题目全挑模型擅长的几乎是必然的。以「你每天重复最多的任务」为第一测试项。

07原始记录

失败的用例也放在这里，删掉它们就是造假。

盲评环节里：试过更花哨的评测框架，最后退回一张表格。分数保留一位小数就够了，假精度没有意义。

复测时发现：那阵子值不值有了答案是整份报告里最硬的一条。复测用同一组题，别换题，否则不叫复测。

换个角度看：只测一遍就下结论，等于没测。引用别人的数据必须标来源和测试条件。

值得单独说明：当时随手存的原始输出，后来成了唯一的证据。分数保留一位小数就够了，假精度没有意义。分数是死的，你的任务才是活的。

1. 盲评打分　去品牌编号乱序
2. 折算单价　按真实用量
3. 冻结题库　一半自编防套题
4. 高峰加测　闲时成绩不算数

先跑一遍附录里的复现步骤，再决定信不信。

这篇按勘误记录持续修订。

郎凿壁

大模型产品评测出身，盲测过上百场。原始输出全部留档备查。

这位评测人的其他实测 →